具有重型解码器的神经组合优化：迈向大规模泛化
机器学习
2024-01-17 v2 神经与进化计算
最优化与控制
摘要
神经组合优化（NCO）是一种有前景的基于学习的方法，可在无需专家专门算法设计的情况下求解具有挑战性的组合优化问题。然而，大多数构造式 NCO 方法无法求解具有大规模实例尺寸的问题，这显著削弱了它们对实际应用的效用。在本工作中，我们提出一种具有强泛化能力的新型轻编码器重解码器（LEHD）模型以解决这一关键问题。LEHD 模型可学习动态捕获不同尺寸下所有可用节点之间的关系，有利于模型向各种规模问题的泛化。此外，我们为所提 LEHD 模型开发了数据高效的训练方案与灵活的求解构造机制。通过在小规模问题上训练，LEHD 模型能为具有多达 1000 个节点的旅行商问题（TSP）和带容量约束的车辆路径问题（CVRP）生成近乎最优的解，并且能很好地泛化至求解真实世界的 TSPLib 与 CVRPLib 问题。这些结果证实我们提出的 LEHD 模型能显著改善构造式 NCO 的最优性能。代码见 https://github.com/CIAM-Group/NCO_code/tree/main/single_objective/LEHD。
引用
@article{arxiv.2310.07985,
title = {Neural Combinatorial Optimization with Heavy Decoder: Toward Large Scale Generalization},
author = {Fu Luo and Xi Lin and Fei Liu and Qingfu Zhang and Zhenkun Wang},
journal= {arXiv preprint arXiv:2310.07985},
year = {2024}
}
备注
Accepted at NeurIPS 2023